买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉昆明理工大学申请的专利一种基于配对法与图卷积神经网络的用户偏好预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115271173B 。

龙图腾网通过国家知识产权局官网在2025-06-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210738469.X，技术领域涉及：G06Q30/0202；该发明授权一种基于配对法与图卷积神经网络的用户偏好预测方法是由付晓东;郑升旻;刘骊;刘利军;彭伟;丁家满设计研发完成，并于2022-06-27向国家知识产权局提交的专利申请。

本一种基于配对法与图卷积神经网络的用户偏好预测方法在说明书摘要公布了：本发明涉及一种基于配对法与图卷积神经网络的用户偏好预测方法，属于推荐系统技术领域。首先，预处理数据并将其分为训练集和测试集，用测试集数据构建用户‑商品矩阵，各评分对应的分级矩阵并对每个用户构造商品间两两成对比较；其次，初始化用户和商品向量组输入图卷积层，并融合用户年龄，职业和商品属性等额外信息得到用户和商品嵌入向量组；然后，通过预测层得到预测值并利用配对损失函数优化模型参数；最后，利用训练好的模型预测用户偏好。本发明利用图卷积神经网络挖掘用户‑商品交互信息，同时构造融合非线性和线性交互的预测层。此外，本方法基于配对法构造损失函数，有效地解决了不同用户的评分标准不同使得评分不具备可比较性的问题。

本发明授权一种基于配对法与图卷积神经网络的用户偏好预测方法在权利要求书中公布了：1.一种基于配对法与图卷积神经网络的用户偏好预测方法，其特征在于： Step1：获取用户-商品评分数据集和用户、商品额外信息，对用户-商品评分数据进行预处理，并划分为训练集和测试集，处理用户和商品的额外信息，得到对应的特征向量组；将训练集中的用户评分数据按照分值分类，同一分值的评分为一类；将同一类的评分数据构造成一个分级矩阵，另外，对每个用户，根据其对不同商品的评分分值，将这些商品间两两成对比较，然后把所有用户的成对比较组成一个集合，根据用户和商品数量构造初始化矩阵； Step2：将初始化矩阵和所有分级矩阵共同输入图卷积层，得到用户中间向量组和商品中间向量组； Step3：将用户和商品的特征向量通过全连接层加入用户和商品中间向量组得到对应的嵌入矩阵，再将两个嵌入矩阵输入预测层得到预测打分矩阵并利用配对损失函数优化模型参数； Step4：利用训练好的模型预测用户偏好； 所述Step3具体为： Step3.1：通过全连接神经网络来将特征向量融入中间向量，得到嵌入向量，将嵌入向量堆叠成相应嵌入矩阵； 对于用户ui和商品vj，首先将他们对应的特征向量输入全连接层，经过线性变换和非线性激活得到fi,fj； 接着，用全连接层将fi,fj与中间向量hi,hj结合，得到用户ui和商品vj的嵌入向量Ui,Vj，将所有Ui堆叠成用户嵌入矩阵U，同理可得到商品嵌入矩阵V； 用户ui嵌入向量： 商品vj嵌入向量： 其中，表示用户结点i和商品结点j的特征向量，Wu,Wv是可训练的权重矩阵，是偏置，σ·则代表一个激活函数，可选择ReLU＝max0,·； Step3.2：首先将用户ui，商品vj的嵌入向量Ui,Vj进行非线性变换得到中间向量uni,vnj，接着通过双线性变换并加入偏置得到用户ui对商品vj打分的预测值 uni＝σWnuUi+b1 vnj＝σWnvVj+b2 其中，σ·为ReLU＝max0,·，Wnu,Wnv,Q都是可训练权重矩阵，b1,b2,b3为偏置，分值大小表示偏好程度，同理可得所有用户-商品组合的预测值，将这些预测值记为预测打分矩阵Y, Step3.3：训练时，在集合Ω中随机采样s个成对比较组成Ω子集Ωs,|Ωs|＝s，则损失函数为： lhinge＝max0,m-x,m0 m为预定义的得分差值间距。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人昆明理工大学，其通讯地址为：650093 云南省昆明市五华区学府路253；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。